Cardiomiopatía auricular

Personal investigador del grupo COR del Instituto de Tecnologías de la Información y Comunicaciones (ITACA) de la Universitat Politècnica de València (UPV) han desarrollado un modelo de inteligencia artificial capaz de localizar y estimar la extensión de las alteraciones del tejido asociadas a la cardiomiopatía auricular a partir de registros eléctricos obtenidos sobre la superficie corporal.

El sistema, basado en redes neuronales de grafos (Graph Neural Networks, GNN), alcanzó una exactitud del 89 % para localizar las zonas afectadas y del 84 % para determinar el grado de afectación del tejido auricular. Además, mantuvo esta capacidad al analizar anatomías que no habían sido utilizadas durante su entrenamiento.

El siguiente paso: validarlo en pacientes

El trabajo constituye todavía una prueba de concepto desarrollada con datos simulados, por lo que sus resultados no implican una aplicación clínica inmediata. El siguiente paso será validar el modelo con registros de pacientes reales. Como señala el propio estudio, “es necesaria una validación prospectiva con registros clínicos antes de que este enfoque pueda trasladarse a aplicaciones de planificación del tratamiento”. Si los resultados se confirman en estudios clínicos, esta tecnología podría contribuir al desarrollo de nuevas herramientas para caracterizar el tejido auricular sin necesidad de procedimientos invasivos y aportar más información para el estudio y tratamiento de las alteraciones asociadas a la cardiomiopatía auricular.

El estudio, publicado en la revista científica Discover Computing, está liderado por María Macarulla-Rodríguez, investigadora de COR-ITACA, y cuenta también con la participación de Jorge Sánchez, Andreu M. Climent y María S. Guillem, investigadores de ITACA y miembros de Corify Care S.L., así como de Cristian Barrios Espinosa y Axel Loewe (Karlsruhe Institute of Technology), y Ernesto Zacur (Corify Care S.L.).

“La principal conclusión del estudio es que la combinación de mapas eléctricos de superficie corporal, análisis espacio-temporal y redes neuronales de grafos presenta un elevado potencial para caracterizar de forma no invasiva la cardiomiopatía auricular”, destaca María Macarulla, autora principal del trabajo.

Una nueva vía para estudiar el tejido auricular

La cardiomiopatía auricular engloba alteraciones eléctricas y estructurales del tejido auricular, como la fibrosis, que están relacionadas con la aparición y progresión de la fibrilación auricular, una de las arritmias cardíacas más frecuentes. “Conocer dónde se localiza el tejido alterado y cuál es su extensión puede ayudar a comprender mejor la enfermedad y, potencialmente, a planificar tratamientos como la ablación”, afirma María S. Guillem, directora de ITACA y participante en el estudio.

Actualmente, para caracterizar estas alteraciones se pueden emplear técnicas como el mapeo electroanatómico intracardíaco, de carácter invasivo, o determinadas pruebas de resonancia magnética. El nuevo enfoque propone utilizar mapas de potencial de superficie corporal (BSPM), obtenidos mediante electrodos distribuidos sobre el torso que registran la actividad eléctrica del corazón. “La inteligencia artificial analiza después cómo se distribuyen estas señales en el espacio y cómo evolucionan en el tiempo para identificar patrones relacionados con la localización y extensión del tejido afectado”, explica la directora de ITACA.

Un 89 % de exactitud en la localización

Para desarrollar y evaluar el modelo, el equipo trabajó con 14.400 mapas de potencial de superficie corporal simulados, generados a partir de diferentes anatomías de aurícula y torso y con distintos grados y localizaciones de cardiomiopatía auricular. “En la configuración de referencia, con 128 electrodos, el modelo alcanzó un 89 % de exactitud en la localización del tejido alterado, con valores medios del 89 % de sensibilidad y del 90 % de especificidad”, destaca María Macarulla.

Uno de los resultados más relevantes es que el sistema consiguió mantener un buen rendimiento al analizar anatomías diferentes de las utilizadas para entrenarlo, un aspecto fundamental de cara a una futura aplicación en personas con características anatómicas distintas.“El modelo logró también una exactitud global del 84 % al determinar la extensión del tejido afectado. Además, comprobamos que su rendimiento se mantiene relativamente estable cuando disminuye la calidad de la señal, lo que apunta a una cierta robustez frente al ruido”, indica María Macarulla.

Los resultados muestran asimismo que la diversidad anatómica de los datos utilizados durante el entrenamiento resulta determinante: incorporar una mayor variedad de modelos de aurícula y torso mejoró la capacidad de clasificación del sistema.

Referencia: A graph neural network framework for characterizing atrial cardiomyopathy from body surface potential maps. María Macarulla-Rodríguez, Jorge Sánchez, Cristian Barrios Espinosa, Axel Loewe, Ernesto Zacur, Andreu M. Climent & María S. Guillem. https://tinyurl.com/yc8ye2z3